1. 기아와 지원직무에 어떻게 기여할 수 있는지, 본인의 경험 및 보유 역량을 중심으로 서술해 주십시오.(600자 최대)
[다품종 EV생산을 이끌 Challenge 형 인재]
안전을 중심으로 설비 혁신과 자동화를 추구하며 높은 생산성을 고민하는 기아의 방향성은 제가 준비해 온 경험과 맞닿아 있다고 생각합니다. 설비에 대한 지식, 자동화 공정 역량 강화를 위한 노력을 바탕으로 기존 생산성 개선을 넘어 스마트팩토리로 나아가는 과정에서 기여할 수 있다고 생각합니다.
생산/제조 분야는 완성차 전 공정 이해와 흐름 파악이 필수적이며, AutoLand 광주는 쏘울 EV부터 봉고 EV 등 다품종 생산을 수행하기에 공정 최적화와 자동화 역량이 중요하다고 생각합니다. 저는 다음 경험을 통해 해당 역량을 키웠습니다.
1. 생산관리 인턴
모빌리티 에너지 절감 부품기업에서 물류 자동화 시나리오 및 스마트 공장을 위한 생산 부문의 행동 시나리오 수립, CAPA 계산을 통한 인원 효율화 프로젝트를 수행하며 생산 효율화와 스마트 공정 도입에 필요한 문제해결력과 협업 경험을 쌓았습니다.
2. 자격증
산업안전기사와 자동화설비산업기사를 통해 생산 현장의 안전 지식과 PLC를 통한 자동화 시스템의 역량을 습득했고, 일반기계기사를 통해 CAD, CATIA 활용 능력 및 기계 설비에 대한 역량을 확보했습니다.
2. 도전적인 목표를 세우고, 이를 달성하기 위해 노력했던 경험에 대해 서술해 주십시오.(최대 700자)
[목표를 실행으로, 현장을 바꾼 협업]
기업 연계 프로젝트에서 KONA 의 Side Sill Panel 생산 프레스 라인의 비가동 시간을 줄이는 과제에 참여했습니다. 현장에서 기존 작업지시서가 반영되지 않아 비효율이 발생하고 있는 것을 확인하고, 작업지시서 개선을 통한 작업 시간 단축을 목표로 삼았습니다.
먼저 기존 준비교체 작업을 금형, 로봇팔, 작업자의 동작으로 분류하고, 각 동작의 소요 시간을 측정했습니다. 이를 MM 차트로 시각화하여 낭비 요소를 파악하고, 팀원들과 함께 불필요한 동작을 줄이는 새로운 시나리오를 수립했습니다. 그 결과 기존 준비교체 시간 대비 절반가량 단축할 수 있는 개선안을 도출했습니다.
개선안에 대해 현장의 생산 팀장 및 작업반장과 지속적으로 토의하며, 안전상 우려나 무리한 작업에 대해 조율하여 절충안을 마련했습니다. 또한 기존 작업지시서가 반영되지 않았던 원인을 분석해 키워드와 작업 사진을 중심으로 한 직관적인 지시서를 재작성했습니다.
결과적으로 기존 555초에서 333초로 40%를 단축 가능한 개선안을 수립하였고, 이 개선안은 신규 투자 없이 즉각 반영 가능하다는 점에서 높은 평가를 받아 현업 적용 검토와 함께 우수상을 수상했습니다. 해당 경험을 통해 저는 도전적인 목표를 설정하고, 체계적 분석과 협업을 통해 현실적인 개선안을 도출하는 실행력을 기를 수 있었습니다.
3. 기아의 가치와 행동(기아 탤런트 라운지 내 Culture 페이지 참고) 중 한 가지를 선택해, 관련된 본인의 경험/사례를 소개해 주십시오.
(기아의 가치와 행동 : 사람을 생각합니다 / 함께, 더 멀리 나아갑니다 / 서로에게 힘을 실어줍니다 / 과감히 한계에 도전합니다 / 어제보다 더 나은 오늘을 추구합니다) (최대 700자)
[서로에게 힘을 실어줍니다]
졸업논문 프로젝트에서 팀장을 맡아 45회의 주간 회의를 주도하며 파이썬 기초 학습부터 CNN 알고리즘(EfficientNet, ResNet, SE-ResNet) 모델의 비교 학습 및 구현을 성공한 경험이 있습니다.
논문을 참고하여 검증 정확도 95%를 목표로 설정하고, 주 단위 계획 수립 및 매일 2시간 학습, 매주 금요일 정기 회의를 통해 계획을 관리했습니다. numpy, pandas 등 파이썬의 기초부터 머신러닝, 딥러닝 학습을 통해 이미지 분류 모델을 구현했고, 2분기 목표인 예시 이미지 분류에도 성공했습니다.
데이터 수집을 진행하는 과정에서 개방 이미지 데이터의 한계인 양질의 데이터 부족으로 인해 계획에 차질이 생겼고, 차선책으로 공공 데이터 센터인 AI-Hub의 피부질환 이미지를 활용하기로 계획을 수정했습니다.
전주에서 광주의 데이터 센터까지의 거리와 70시간 이상의 학습 시간을 고려하여 3일 간격으로 팀원들과 일정 조율을 통해 2명씩 방문하는 방식으로 데이터 센터를 20차례 방문하며 데이터 증강, 학습률 등 초매개변수 수정 등을 거쳐 학습에 대한 성능을 높였습니다.
학습의 결과로 초기 정확도 60%에서 3개 모델 모두 95% 이상을 달성했고, 최종 검증 정확도 97.2%의 ResNet-101을 최적 모델로 선정하여 활용 페이지를 개설, 검증하였고 프로젝트를 성공적으로 마무리하였습니다.